一種溶解氧含量的在線檢測儀系統設計

孫天佑 喬宏哲

（常州機電職業技術學院，江蘇 常州 213164）

0 引言

魚類等水產品的生長和溶解氧有著密切的關系，水中溶氧量含量低，魚食欲差或者厭食，進食后消化吸收率低，生長速度慢。而水中溶氧量偏高對魚卵孵化和魚苗不利。同樣以金魚這種相對名貴的觀賞性的魚類為例，溶解氧過低可能導致金魚的死亡，溶解氧過高時金魚會興奮，不停地環游，小魚苗會累死。

目前溶解氧含量的主要檢測方法是碘量法和溶解氧儀法等。碘量法是一種化學試劑檢測法，它的操作步驟相對復雜普通人很難掌握要領進行檢測。溶解氧儀檢測法就是將專用的傳感器和顯示儀表兩個部分結合在一起進行測量溶解氧的含量，但是專用的傳感器的電極一般需要采用金和銀等貴金屬作為材料，所以溶解氧儀的價格較為昂貴無法應用到一些低成本領域的溶解氧含量檢測中，比如對魚缸水的溶解氧含量的檢測。

本設計通過使用樣本數據在共享的云服務器上設計出的溶解氧含量的軟測量模型，可通過在可連入無線網絡的移動檢測端檢測并上傳與溶解氧密切相關的空氣氧的分壓、大氣壓、水溫和水質這四個參數值至云服務器，可從云服務器上獲得溶解氧含量值。從而實現溶解氧含量實時在線檢測，簡化了檢測溶解氧含量的操作方法，同時降低了檢測所需的人力和成本，可滿足一些低成本領域對溶解氧含量的檢測需求。

1 總體設計

為了實現溶解氧含量的一種低成本在線檢方案，整個系統可以分成兩個部分來工作，第一部分將與溶解氧相關的特征參數的采集和上傳，為了完成相應的功能采用了以ARM處理器為核心的測控系統，該系統外接相應的傳感器、人機接口模塊以及無線模塊，負責相關特征參數的采集并上傳云服務器以及接收云服務器返回的結果。第二部分為溶解氧軟測量模型的訓練與預測功能，該功能在共享的云服務器上實現，通過向云服務器上傳大量的樣本數據并經過訓練后可以構成溶解氧軟測量模型，當有新的實時特征參數上傳后可以通過軟測量模型計算并返回實時的溶解氧含量值。具體的工作原理如圖1所示。

圖1 溶解氧含量在線檢測系統結構圖

由相關理論得知與溶解氧密切相關的特征參數是空氣里氧氣的分壓、大氣壓、水溫和水質，其中對于同一地點空氣里氧的分壓是相對穩定的。我國幅員遼闊，不同地方海拔高度可能有比較大差異導致空氣里氧的分壓會有所不同，此外即使是同一地點由于季節變化導致的濕度變化也會對氧的分壓產生一定的影響，所以空氣中的氧氣的分壓可以通過以下公式間接求得，測點的海拔高度可通過人機接口模塊進行預先設定。

P=P0（1-h/8435）（1-k（hd-hd0）） （1）

式中：h為實測點海拔高度；hd為實測點實時大氣相對濕度值；hd0為大氣相對濕度參照值，可固定為70%；P0為海拔高度h為0和大氣相對濕度為hd0時的空氣中氧的分壓值，可固定為21 228pa；k為修正系數，可在0.1～0.2之間取值；P為實測點推算后的空氣中氧的分壓值。

2 溶解氧檢測硬件電路實現

本系統所述大氣壓傳感器、水溫度傳感器和空氣濕度傳感器都有比較成熟的模塊可以很方便地和ARM處理器形成接口并實時測得測點處的大氣壓和水溫度值以及空氣中的濕度值。由于水中存在微生物不斷代謝后水質變差即水中某些鹽含量上升會導致溶解氧含量的下降，但同時水的導電性能會上升。水質傳感器就是通過對被測水的導電性測量來檢測水質的變化。以上四種參數經過預處理和電路變換后輸入ARM處理器中，通過ARM處理器上傳共享云服務器后就可以進行溶解氧含量的預測，并且將預測結果在人機接口模塊上顯示出來。

3 溶解氧含量的軟測量模型的實現

本系統中所使用的溶解氧含量的軟測量模型實際上是一種BP神經網絡模型，BP神經網絡是一種可多層前饋型神經網絡，在基于正向傳播出現誤差時可以通過反向傳播過程中調整各個神經元之間的連接權值來消除正向傳播誤差。該軟測量模型的神經網絡包括輸入層和隱藏層以及輸出層。模型中每個神經元連接上一層所有神經元。上一層每個神經元的輸出即為下一層神經元的輸入，原始輸入數據通過各層計算后最終在輸出層輸出數據。

對于本系統設計的軟測量BP神經網絡模型來說，輸入層的節點數是4個（對應于輸入的空氣氧的分壓、大氣壓、水溫和水質這4個特征參數），輸出層節點數是1個（對應于溶解氧含量的預測值），一般的BP神經網絡預測模型只需要一個隱藏層就可以實現預測，本專利采用四層BP神經網絡，即中間包括兩個隱藏層，這樣做的目的是使神經網絡結構更為合理，在確保學習和推理效率較好的前提下，預測精度更高。綜合少量典型樣本數據初步訓練和反復測試后，采用第一隱層節點數為5個，第二隱層節點數為3個這樣的BP神經網絡結構較為合理，具體結構如圖2所示。

圖2 軟測量模型的BP神經網絡結構圖

（1）根據之前上傳云服務器的樣本數據并通過對四層BP神經網絡的訓練，可得出空氣氧的分壓、大氣壓、水溫和水質這4個輸入量與輸出量溶解氧含量的對應關系。

第一，建立數據向量

式中：x（1）為測點空氣氧的分壓；x（2）為測點大氣壓；x（3）為測點的水溫；x（4）為測點的水質，并對這些數據進行歸一化處理后變成數據向量。

第二，如圖3所示的軟測量模型結構中，是一種

全連接方式BP神經網絡即前層每個神經元都要連接到后層的每個神經元上構成前層對后層的輸入，圖中所示神經元i的輸出是神經元j的一個輸入，并且神經元i到神經元j是按照一個權值wij的倍數關系連接的，θj是節點j的閾值，Oj是神經元j的輸出。

第三，xi為第i個訓練樣本數據向量，yi為xi的目標值。N為訓練數據數目。

（2）BP神經網絡的前向迭代計算公式如下，對于

神經網絡中的任意一個節點（含輸出節點）的輸出值Oj表示如下。

4 結語

本系統通過使用樣本數據訓練設計出的溶解氧含量的軟測量模型，可通過溶解氧特征參數采集電路獲得相關特征參數，將實時采集的特征上傳至共享的云服務器中通過其上的已訓練完成的軟測量模型進行預測，然后將預測值通過無線信號返回至現場采樣電路端進行顯示，實現了一種可滿足低成本領域的共享型溶解氧含量在線檢測系統。